列维连续性定理

列维连续性定理 (Lévy Continuity Theorem)

在概率论中，列维连续性定理（又称 Lévy-Cramér 连续性定理）是连接依分布收敛与特征函数逐点收敛的桥梁性结果，由法国数学家Paul Lévy于20世纪20年代建立，后经Cramér完善。该定理是证明中心极限定理最优雅的标准工具，也是现代概率极限理论的基石之一。

定理陈述

设 $\{\mu_n\}_{n=1}^{\infty}$ 为 $\mathbb{R}^k$ 上的一列概率测度，其对应的特征函数为 $\varphi_n(t) = \int_{\mathbb{R}^k} e^{i \langle t, x \rangle} d\mu_n(x)$。则：

1. 若 $\mu_n$ 弱收敛到某概率测度 $\mu$（记为 $\mu_n \Rightarrow \mu$），则 $\varphi_n(t)$ 在 $\mathbb{R}^k$ 上逐点收敛到 $\mu$ 的特征函数 $\varphi(t)$，且收敛在紧集上是一致的。
2. 若 $\varphi_n(t)$ 逐点收敛到某函数 $\varphi(t)$，且 $\varphi(t)$ 在 $t = 0$ 处连续，则存在概率测度 $\mu$ 使得 $\mu_n \Rightarrow \mu$，且 $\varphi$ 恰为 $\mu$ 的特征函数。

其中(ii)中"$\varphi$ 在 $t=0$ 处连续"的条件至关重要——若放弃该条件，逐点收敛的特征函数序列可能收敛到某个不连续函数，此时对应的概率测度会"逃逸"到无穷远处（紧性丧失）。

反例：连续性条件的必要性

考虑 $\mu_n = \delta_n$，即集中在点 $n$ 的退化分布。特征函数 $\varphi_n(t) = e^{itn}$。对每个固定的 $t \neq 0$，$\varphi_n(t)$ 在单位圆上振荡而不收敛；但在 $t=0$ 处 $\varphi_n(0) \equiv 1$。极限函数 $\varphi(t) = \mathbf{1}_{\{t=0\}}$ 在 $t=0$ 处不连续，此时 $\mu_n$ 不收敛到任何概率测度——质量逃逸到 $+\infty$。

与中心极限定理的联系

令 $\{X_j\}$ 为 i.i.d. 序列，$E[X_1]=0$，$\operatorname{Var}(X_1)=\sigma^2 < \infty$。定义 $S_n = \frac{1}{\sqrt{n}\sigma}\sum_{j=1}^n X_j$。由特征函数的 Taylor 展开：

极限函数 $e^{-t^2/2}$ 在 $t=0$ 连续，列维连续性定理立即给出 $S_n \xrightarrow{d} N(0,1)$。这正是 Lindenbeg-Lévy 中心极限定理。

证明概要

(i) 直接来自控制收敛定理：$e^{i\langle t, x\rangle}$ 有界连续，(ii) 的证明分为两步：

紧性：$\varphi$ 在 0 处连续意味着对任意 $\varepsilon > 0$，存在 $\delta > 0$ 使得 $|1 - \varphi(t)| < \varepsilon$ 当 $\|t\| < \delta$。利用 Chebyshev 型不等式可推导 $\{\mu_n\}$ 的胎紧性，从而由 Prokhorov 定理，存在子列弱收敛到某概率测度。

唯一性：若两子列分别收敛到 $\mu$ 和 $\nu$，则特征函数的逐点收敛保证二者特征函数相同，而特征函数唯一决定分布，故 $\mu = \nu$，整列收敛。

多维推广与泛函扩展

定理自然推广到 $\mathbb{R}^k$：特征函数 $\varphi_n(\mathbf{t}) = E[e^{i\mathbf{t}'\mathbf{X}_n}]$，$\mathbf{t} \in \mathbb{R}^k$。连续条件仍只需在 $\mathbf{t}=\mathbf{0}$ 处的连续性。

对于取值于无穷维空间的随机变量（如随机过程），类似结果在概率测度的弱收敛理论中以 Minlos 定理和统一紧性准则的形式出现，是 Donsker 不变原理和经验过程极限理论的基础。